基于PSO-FWA的多约束路由计算方法技术

本发明专利技术公开了一种基于PSO‑FWA的多约束路由计算方法，包括：初始化粒子群；确定N个粒子的有效Gbest值，将粒子的有效Gbest值对应的节点位置作为烟花的位置进行爆炸，将烟花爆炸的位置节点作为出发点，重新更新粒子的位置。计算更新后的粒子适应度值并重新确定更新后的粒子的有效Gbest值，根据结束条件终止算法。综上，本发明专利技术实施例提供的基于PSO‑FWA的多约束路由计算方法，通过计算并更新每个粒子的Pbest值，进一步确定所有粒子的Gbest值，将某个粒子的有效Gbest值对应的节点位置作为烟花的位置进行爆炸，进而将烟花爆炸的位置节点作为出发点，重新更新所有粒子的位置及速度，确定有效Gbest值，并最根据结束条件终止算法，完成最佳路由的确定，该方法稳定性好，计算效率高。

【技术实现步骤摘要】
基于PSO-FWA的多约束路由计算方法
本专利技术涉及网络通信路由
，尤其涉及一种基于PSO-FWA的多约束路由计算方法。
技术介绍
随着网络技术的快速发展，用户对于网络的服务质量(QoS)要求越来越高，用户要求网络提供更高的可用性和更快速的支持。而网络分析中最基础和最关键的问题就是最短路径问题，最短路径不仅仅指一般地理意义上的距离最短，还可以引申到其他的度量，如时间、代价等。QoS路由是一种基于网络的可用资源和业务流的按照QoS要求来选择路径的路由机制或一种包含各种QoS参数的路由机制。QoS路由通常考虑的指标有带宽、时延、丢包率、抖动和成本等等。考虑上述的QoS指标，QoS路由问题是发现优化多个约束条件的解。但是，找到多个约束条件下最优解是一个很难解决的问题。目前，寻找多约束条件下最优解问题引入了许多的算法。通常情况下使用数学规划的方法可以解决该问题，带约束的非线性规划的方法也可以解决这类问题，这些方法在数学上都有非常成熟的模型和应用。这些方法的主要步骤是从一个源点出发，通过一定的方法，获取下一个点的位置和步长，然后通过多次迭代搜索出最优解的方法。该类方法简单，但是受到初始点或者是目标函数的影响，容易陷入局部最优解，无法满足我们的需求；且稳定性较差，计算代价较高。
技术实现思路
本专利技术实施例提供了一种基于PSO-FWA的多约束路由计算方法，解决了现有技术中多约束路由算法稳定性低差的问题。本专利技术实施例提供的基于PSO-FWA的多约束路由计算方法，包括：S1，初始化包括N个粒子的粒子群，且初始化所述粒子群中的每个粒子的初始位置和初始速度；S2，根据f(x)＝α*p(x)+g(x)计算每个所述粒子的适应度值；且对每个所述粒子经过的节点进行编码，将每个所述粒子到目标节点的编码作为一条寻优路径；其中，f(x)表示个体的适应度函数值，α表示调整惩罚函数p(x)和目标函数g(x)权重系数的参数，p(x)为惩罚函数，g(x)为目标函数。S3，将每个所述粒子的当前适应度值与所述粒子的历史最好的适应度值比较：若所述粒子当前的适应度值比历史产生的所有适应度值小，则将所述粒子pbest值更新为当前计算出的所述适应度值；否则，所述粒子的pbest值不变；将每个所述粒子的当前适应度值pbest与所述粒子的对应的每一个粒子的历史最好的适应度值比较：若所述粒子当前的适应度值比该粒子历史产生的所有适应度值小，则将所述粒子pbest值更新为当前计算出的适应度值；否则，该粒子的pbest值不变；S4，将N个粒子当前最小的pbest值与所述N个粒子的历史最小的Gbest值进行比较：若当前最小的的pbest值比历史最小的Gbest值小，则将所述N个粒子的Gbest值更新为当前最小的pbest值，作为所述N个粒子的有效Gbest值，所述方法进入到S5；否则，所述N个粒子的Gbest值不变，所述方法进入到所述S2；S5，将所述粒子的有效Gbest值对应的节点位置作为烟花的位置进行爆炸；S6，将烟花爆炸的位置节点作为出发点，利用公式及重新更新粒子的位置：。S7，计算更新后的粒子适应度值，并比较更新后的所述粒子的适应度值，确定更新后的所述粒子的有效Gbest值：此时，若没有达到结束条件，则所述方法进入到所述S2；否则，所述方法结束；其中，所述结束条件为最大迭代次数或所述种群中的最优解。综上，本专利技术实施例提供的基于PSO-FWA的多约束路由计算方法，通过计算更新每个粒子的Pbest值，并进一步确定所有粒子的Gbest值，将某个粒子的有效Gbest值对应的节点位置作为烟花的位置进行爆炸，进而将烟花爆炸的位置节点作为出发点，重新更新所有粒子的位置及速度，确定有效Gbest值，最根据结束条件终止算法，完成最佳路由的确定，该方法稳定性好，计算效率高。附图说明图1为本专利技术实施例提供的基于PSO-FWA的多约束路由计算方法的流程示意图。图2为本专利技术实施例提供的不同网络规模下PSO、PSO_ACO及PSO_FWA算法的成功率变化示意图。图3为本专利技术实施例提供的不同网络规模下PSO、PSO_ACO及PSO_FWA算法的性能变化示意图。图4为本专利技术实施例提供的不同网络规模下PSO、PSO_ACO及PSO_FWA算法的性能变化示意图。具体实施方式下面结合本专利技术中的附图，对本专利技术实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本专利技术保护的范围。为了便于理解和说明，下面通过图1至图4详细说明本专利技术实施例提供的基于PSO-FWA的多约束路由计算方法。该方法可以包括：S1，初始化包括N个粒子的粒子群，且初始化所述粒子群中的每个粒子的初始位置和初始速度。S2，根据f(x)＝α*p(x)+g(x)计算每个所述粒子的适应度值；且对每个所述粒子经过的节点进行编码，将每个所述粒子到目标节点的编码作为一条寻优路径。S3，将每个所述粒子的当前适应度值与所述粒子的历史最好的适应度值比较：若所述粒子当前的适应度值比历史产生的所有适应度值小，则将所述粒子pbest值更新为当前计算出的所述适应度值；否则，所述粒子的pbest值不变；S4，将每个粒子当前的pbest值与所述N个粒子的历史最小的Gbest值进行比较：若当前的pbest值比历史最小的Gbest值小，则将所述N个粒子的Gbest值更新为当前的pbest值，作为所述N个粒子的有效Gbest值，所述方法进入到S5；否则，所述N个粒子的Gbest值不变，所述方法进入到所述S2。具体的，在PSO_FWA算法中，我们首先使用粒子群算法(PSO)进行搜索，在PSO中，开始时随机初始化N个粒子的粒子群，并同时初始化每一个粒子的初始位置和初始速度。然后根据公式f(x)＝α*p(x)+g(x)计算每一个粒子的适应度值，并进行评价和比较。即将每个计算出的适应度值与该粒子历史产生的最好适应度值进行比较。如果当前的适应度值比这个粒子历史产生的所以的适应度值pbest好，则更新pbest的值，此时pbest的值为计算出来的值；否则pbest的值不变。将整个种群中每一个粒子的pbest进行相互进行比较，选出适应度值最小的作为全局最优的适应度值gbest，将计算出来的值与种群历史记录的最优gbest进行比较；如果计算出的gbest更好，则更新gbest的值；否则gbest不变。在PSO搜索过程中，将每一个粒子搜索过程中经过的节点进行编码，使每一个粒子到目标节点时编码就代表一条寻优的路径。其中，f(x)表示个体的适应度函数值，α表示调整惩罚函数p(x)和目标函数g(x)权重系数的参数，p(x)为惩罚函数，g(x)为目标函数。p(x)的作用是当粒子在寻找路径的过程中违反了给定的约束条件进行惩罚。S5，将所述粒子的有效Gbest值对应的节点位置作为烟花的位置进行爆炸；S6，将烟花爆炸的位置节点作为出发点，利用公式重新更新粒子的位置。S7，计算更新后的粒子适应度值，并比较更新后的所述粒子的适应度值，确定更新后的所述粒子的有效Gbest值：此时，若没有达到结束条件，则所述方法进入到所述S2；否则，所述方法结束；其中，本文档来自技高网...

【技术保护点】
1.一种基于PSO‑FWA的多约束路由计算方法，其特征在于，包括以下步骤：S1，初始化包括N个粒子的粒子群，且初始化所述粒子群中的每个粒子的初始位置和初始速度；S2，根据f(x)＝α*p(x)+g(x)计算每个所述粒子的适应度值；且对每个所述粒子经过的节点进行编码，将每个所述粒子到目标节点的编码作为一条寻优路径，其中，f(x)表示个体的适应度函数值，α表示调整惩罚函数p(x)和目标函数g(x)权重系数的参数，p(x)为惩罚函数，g(x)为目标函数；S3，将每个所述粒子的当前适应度值与所述粒子的历史最好的适应度值比较：若所述粒子当前的适应度值比所述粒子的历史最好的适应度值小，则将所述粒子pbest值更新为当前计算出的所述适应度值；否则，所述粒子的pbest值不变；S4，将N个粒子当前最小的pbest值与所述N个粒子的历史最小的Gbest值进行比较：若当前最小的的pbest值比历史最小的Gbest值小，则将所述N个粒子的Gbest值更新为当前最小的pbest值，作为所述N个粒子的有效Gbest值，并进入到S5；否则，所述N个粒子的Gbest值不变，返回S2；S5，将所述粒子的有效Gbest值对应的节点位置作为烟花的位置进行爆炸；S6，将烟花爆炸的位置节点作为出发点，利用公式...

【技术特征摘要】
1.一种基于PSO-FWA的多约束路由计算方法，其特征在于，包括以下步骤：S1，初始化包括N个粒子的粒子群，且初始化所述粒子群中的每个粒子的初始位置和初始速度；S2，根据f(x)＝α*p(x)+g(x)计算每个所述粒子的适应度值；且对每个所述粒子经过的节点进行编码，将每个所述粒子到目标节点的编码作为一条寻优路径，其中，f(x)表示个体的适应度函数值，α表示调整惩罚函数p(x)和目标函数g(x)权重系数的参数，p(x)为惩罚函数，g(x)为目标函数；S3，将每个所述粒子的当前适应度值与所述粒子的历史最好的适应度值比较：若所述粒子当前的适应度值比所述粒子的历史最好的适应度值小，则将所述粒子pbest值更新为当前计算出的所述适应度值；否则，所述粒子的pbest值不变；S4，将N个粒子当前最小的pbest值与所述N个粒子的历史最小的Gbest值进行比较...

【专利技术属性】
技术研发人员：王琨，王凯东，妥艳君，胡有兵，胡霞，
申请(专利权)人：西安电子科技大学，中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：陕西,61